騎行者風(fēng)險感知能力測試及分析

倪定安，郭鳳香，李春梅，李明遠 NI Dingan,GUO Fengxiang,LI Chunmei,LI Mingyuan

（昆明理工大學(xué) 交通工程學(xué)院，云南 昆明 650500）

(School of Traffic Engineering,Kunming University of Science and Technology,Kunming 650500,China)

0 引言

隨著共享經(jīng)濟的風(fēng)靡，可以共享的東西越來越多，尤其是共享單車和共享電單車。然而共享單車與電單車的極快發(fā)展增加了道路上非機動車流量，伴之而來的是亂停亂放、秩序混亂及非機動車事故增加等問題。騎行者是借助自行車、電動車等非機動車為主要交通工具，實施出行活動的個人或群體。2016年，中國交通事故發(fā)生總計212 846起，非機動車交通事故發(fā)生17 747起，造成2 968人死亡，其中自行車交通事故1 460起，造成341人死亡；電動車交通事故13 687起，造成2 627人死亡，造成直接財產(chǎn)損失4 248萬元[1]。非機動車由于靈活性強，不易于管理，頻繁發(fā)生違法占道、闖紅燈、逆行、電動車違法載貨載人等交通違法行為，導(dǎo)致機非混合車道上交通事故的發(fā)生。而騎行者風(fēng)險感知能力的強弱直接決定了是否會發(fā)生事故及發(fā)生事故大小，風(fēng)險感知能力差是導(dǎo)致非機動車事故的一個主要原因。因此，研究騎行者的風(fēng)險感知能力，確定其影響因素，可為制定非機動車相關(guān)管理政策、改善非機動車的道路交通安全水平提供一定的依據(jù)。

目前，國內(nèi)外學(xué)者對風(fēng)險感知進行了廣泛研究，Vanlaar等[2]編制了駕駛?cè)孙L(fēng)險意識量表，通過15種可能引發(fā)交通事故的危險情境的評分來評判駕駛?cè)说娘L(fēng)險意識?？状河竦韧ㄟ^問卷調(diào)查，運用最小二乘法擬合得到駕駛?cè)孙L(fēng)險感知時間與AIS損傷級別的定量關(guān)系式，并對駕駛?cè)孙L(fēng)險感知時間的影響因素進行了分析[3]?？娒髟碌葘柧磉M行分析，對非機動車駕駛?cè)孙L(fēng)險行為進行分解，建立基于關(guān)鍵度系數(shù)、對應(yīng)相關(guān)行為的風(fēng)險估算模型，實現(xiàn)非機動車駕駛?cè)孙L(fēng)險行為的量化分級[4]。王濤等通過問卷調(diào)查，對電動自行車的風(fēng)險駕駛行為進行探索性因子分析，提取公共因子，從而對騎行者進行關(guān)聯(lián)性分析[5]。目前非機動車的交通安全研究都停留在問卷調(diào)查研究，而風(fēng)險感知測試的研究主要集中在機動車駕駛員，對騎行者的風(fēng)險感知能力測試試驗研究較少。本文主要是通過問卷調(diào)查結(jié)合風(fēng)險感知試驗測試的手段，應(yīng)用主成分分析法分析騎行者風(fēng)險反應(yīng)時間與各種因素的關(guān)系，建立騎行者風(fēng)險感知能力評價模型，通過模型對騎行者進行評價。

1 試驗方案

在實際道路交通場景中以騎行者角度拍攝9個視頻片段，剪輯制作成測試視頻。招募100名受試者進行問卷調(diào)查及風(fēng)險感知測試，風(fēng)險感知測試是通過風(fēng)險感知測試軟件測試騎行者在突顯風(fēng)險情境與征兆風(fēng)險情境中對風(fēng)險的反應(yīng)時間。

1.1 場景簡介。為了測試騎行者的風(fēng)險感知能力，從騎行者的角度，對日?？赡苡龅降娘L(fēng)險進行分析并設(shè)計出9個風(fēng)險情境，研究的風(fēng)險即在風(fēng)險情境中對騎行者正常行駛可能產(chǎn)生沖突的對象，具體風(fēng)險描述如圖1所示，其中（1）至（6）圖為突顯風(fēng)險情境，（7） 至（9） 圖為征兆風(fēng)險情境。

圖1 風(fēng)險情境圖

圖2 騎行路線圖

本研究根據(jù)學(xué)校周邊道路設(shè)計出一條騎行路線，并在此路線上設(shè)計再現(xiàn)了上述9個風(fēng)險情境，以騎行者的角度錄制了風(fēng)險情境的視頻，錄制騎行路線和情境位置設(shè)置見圖2，錄制視頻場景截圖如圖3所示。1.2 測試軟件簡介。編制了風(fēng)險感知測試軟件對騎行者的風(fēng)險感知能力進行測試，風(fēng)險感知測試軟件（HP Test）是由昆明理工大學(xué)交通工程學(xué)院道路交通模擬實驗室自行開發(fā)，用于測試道路交通參與者的風(fēng)險感知能力。軟件的輸入為視頻文件，該視頻以交通參與者的視角顯示所處的交通環(huán)境，視頻包含多個潛在的風(fēng)險源和干擾信息。受試者使用鼠標(biāo)點擊來標(biāo)識他所識別到的真正風(fēng)險，能否準(zhǔn)確點擊對象可以表現(xiàn)出受試者的風(fēng)險感知能力。測試軟件工作界面如圖4所示。

1.3 受試者。本次試驗共招募了100名有著半年及以上騎行經(jīng)驗的騎行者，這些騎行者的騎行路線以學(xué)校周邊道路為主，其中男性64人，女性36人，年齡在16-54歲之間，64人有駕照，36人無駕照，擁有本科學(xué)歷的騎行者占大多數(shù)。

圖3 視頻錄制場景截圖

1.4 試驗過程。受試者首先需要填寫調(diào)查問卷，然后觀看輸入在風(fēng)險感知測試軟件中的9個視頻，要求他們在發(fā)現(xiàn)風(fēng)險情況時，點擊鼠標(biāo)，系統(tǒng)能夠自動記錄受試者鼠標(biāo)點擊的時間（視頻幀序）、點擊的位置（鼠標(biāo)位置坐標(biāo)），通過儀器采集數(shù)據(jù)，將參數(shù)進行分析處理，評價受試者的風(fēng)險感知能力。

圖4 風(fēng)險感知測試軟件主界面

2 數(shù)據(jù)分析

2.1 問卷統(tǒng)計。計算本問卷的Cronbach's ɑ系數(shù)，ɑ值介于0與1之間，ɑ值越大表示問卷項目間相關(guān)性越好，內(nèi)部一致性可信度越高；ɑ大于0.8表示內(nèi)部一致性極好，ɑ在0.6～0.8之間表示較好；而低于0.6表示內(nèi)部一致性較差[6]。本調(diào)查問卷的ɑ值為0.78，表明調(diào)查問卷的項目間相關(guān)性較好，具有一定的可靠性，可以反映出騎行者的風(fēng)險感知能力。通過調(diào)查問卷獲取了受試騎行者的性別、年齡、是否有機動車駕照、騎行經(jīng)驗、騎行頻率、有無遇到事故和是否遵守交規(guī)等7種基本信息，統(tǒng)計結(jié)果如表1所示。

表1 受試者問卷調(diào)查統(tǒng)計表

2.2 風(fēng)險反應(yīng)時間分析。反應(yīng)時間為從危險出現(xiàn)到駕駛?cè)擞^察到此目標(biāo)所經(jīng)過的時間[7]。本文的騎行者風(fēng)險反應(yīng)時間定義為受試者觀看每段風(fēng)險視頻時，從風(fēng)險出現(xiàn)到按下按鈕所需的時間，用于分析騎行者的風(fēng)險感知能力。分析在突顯風(fēng)險情境、征兆風(fēng)險情境下的騎行者平均風(fēng)險反應(yīng)時間與年齡、騎行經(jīng)驗、騎行頻率、是否發(fā)生過事故、有無駕照、性別、遵守交規(guī)等因素的關(guān)系，結(jié)果如圖5所示。

從圖5的a～g可以看出，多數(shù)情況下騎行者對征兆風(fēng)險的反應(yīng)時間要長于突顯風(fēng)險的反應(yīng)時間，表明騎行者需要更長的時間發(fā)現(xiàn)征兆風(fēng)險并作出反應(yīng)。由圖a和b可知隨著年齡的增長及騎行經(jīng)驗的積累，騎行者風(fēng)險感知的能力有所提高，反應(yīng)時間減少；騎行頻率對比發(fā)現(xiàn)，反應(yīng)時間最短的是一月騎行幾次的一類人，這類騎行者的騎行次數(shù)處于中等水平，對風(fēng)險保持一定的警惕性，導(dǎo)致反應(yīng)時間最短；同時有駕照的騎行者對于風(fēng)險具有較強的感知能力，反應(yīng)時間短于無駕照的騎行者；男性的反應(yīng)時間短于女性，說明男性的風(fēng)險感知能力要強于女性，在遇到風(fēng)險時能及時應(yīng)對；遵守交規(guī)的騎行者反應(yīng)時間短于偶爾不遵守交規(guī)的騎行者，說明遵守交規(guī)的騎行者具有較強的警惕性；遇到過事故的騎行者反應(yīng)時間低于未遇到過事故的騎行者。

圖5 反應(yīng)時間比較分析

3 風(fēng)險感知能力評價

為了確定各影響因素對風(fēng)險感知能力的影響，本文應(yīng)用主成分分析法對影響風(fēng)險感知能力的因素進行分析，主成分分析是用較少的變量去解釋原來資料中的大部分變異，消除變量間的相關(guān)性，將n維變量降至2維，觀察樣本的相互關(guān)系及分布特點[8]。

對性別、年齡、駕照、遵守交規(guī)、遇到事故、騎行經(jīng)驗、騎行頻率這7個影響因素進行主成分分析，提取主成分，應(yīng)用主成分方程，建立騎行者風(fēng)險感知能力評價模型，并進行模型的應(yīng)用，對騎行者風(fēng)險感知能力評價分級，并確定影響風(fēng)險感知能力的主要因素。

3.1 主成分提取。首先應(yīng)用公式（1）對原始數(shù)據(jù)進行標(biāo)準(zhǔn)化處理，然后建立各種指標(biāo)之間的相關(guān)矩陣，并進行主成分提取，提取結(jié)果見表2。

其中：ZXi為處理后標(biāo)準(zhǔn)化的數(shù)據(jù)；Xi為原始數(shù)據(jù)；X為原始數(shù)據(jù)的均值；Si為原始數(shù)據(jù)的標(biāo)準(zhǔn)差。

表2 主成分提取矩陣

由表2可知，提取的5個主成分的累積貢獻率達到了85.94%，可以解釋大多數(shù)變量，其中第一主成分t1在年齡x1（）、騎行頻率x3（）、交通事故x2（）、交通規(guī)則x4（）上有較高的解釋率，第一主成分上解釋指標(biāo)數(shù)量較多，說明數(shù)據(jù)重復(fù)率較大，符合主成分分析的使用標(biāo)準(zhǔn)，可將第一主成分命名為“騎行成長因子”；第二主成分t2在駕照x6（）、性別x5（）上有著較高的解釋率，將第二主成分命名為“先天及訓(xùn)練因子”；第三主成分t3在騎行經(jīng)驗x7（）上有著較高的解釋率，因此將第三主成分命名為“日常積累因子”；第四主成分t4在交通規(guī)則x4（）上表現(xiàn)出較高的解釋率，將第四主成分命名為“遵規(guī)守紀因子”；第五主成分t5在交通事故x2（）上表現(xiàn)出較高的解釋率，將第五主成分命名為“突發(fā)事件因子”。

3.2 評價模型構(gòu)建及應(yīng)用。為了綜合評判騎行者風(fēng)險感知能力的強弱，需要構(gòu)建騎行者風(fēng)險感知能力評價模型，通過構(gòu)建的模型對騎行者風(fēng)險感知能力進行評價。

根據(jù)主成分載荷矩陣（見表2），每一列除以相應(yīng)特征值的算術(shù)平方根，得到相應(yīng)的系數(shù)矩陣，各系數(shù)向量分別與標(biāo)準(zhǔn)化處理的各指標(biāo)向量相乘，得到各主成分得分方程，5個主成分得分方程分別為：

以每個主成分對應(yīng)的特征值占所提取主成分總的特征值之和的比例作為權(quán)重，建立騎行者風(fēng)險感知能力評價模型：

其中：F為騎行者風(fēng)險感知能力的綜合評價得分，得分越高說明騎行者的風(fēng)險感知能力越強。根據(jù)模型計算結(jié)果將騎行者的風(fēng)險感知能力分為優(yōu)秀（0.51～1.00）、良好（0.01～0.50）、中等（-0.51～0.00）、較差（-1.00～-0.50） 4個等級，對4個等級騎行者的年齡、性別、有無機動車駕照、騎行頻率、騎行經(jīng)驗、是否遇到事故、是否遵守交規(guī)等因素進行差異性分析，統(tǒng)計分析結(jié)果見表3。

表3 評價結(jié)果分級及差異性分析

通過獨立樣本T檢驗發(fā)現(xiàn)，不同感知能力等級中騎行者有無機動車駕照、騎行頻率在0.01水平下存在顯著性差異，年齡、性別在0.05水平下存在顯著性差異，而騎行經(jīng)驗、是否遇到事故、是否遵守交通規(guī)則均沒有表現(xiàn)出顯著的差異性。表明騎行者的年齡、性別、有無機動車駕照、騎行頻率等因素對騎行者的風(fēng)險感知能力存在顯著影響，在提取的主成分矩陣中也可發(fā)現(xiàn)這4個因素在第一、第二主成分中占較大比例。由優(yōu)秀等級的18人中男性12人，10人處于35～54歲，15人有駕照。每月騎行幾次的有16人等結(jié)果可以看出，男性對于風(fēng)險的觀察更加全面；隨著年齡的增長，使得騎行者更加關(guān)注可能遇到的風(fēng)險以便有足夠的反應(yīng)時間；經(jīng)過機動車駕照的培訓(xùn)和考試，提高了風(fēng)險感知的能力；每月騎行幾次保證騎行者始終保持對風(fēng)險的警惕性，從而對遇到的風(fēng)險做出正確的反應(yīng)，提高騎行的安全性。

4 結(jié)論

本文是以騎行者為研究對象，通過對受試者問卷調(diào)查及風(fēng)險感知測試，研究了騎行者的風(fēng)險感知能力及其影響因素，為騎行者的交通安全研究及相關(guān)政策的制定提供了一定的理論基礎(chǔ)，本文的結(jié)論如下：

（1）在突顯風(fēng)險情境與征兆風(fēng)險情境下，通過風(fēng)險反應(yīng)時間的對比分析，發(fā)現(xiàn)騎行者對突顯風(fēng)險的反應(yīng)時間普遍短于征兆風(fēng)險，說明騎行者需要花費更長的時間辨別征兆風(fēng)險并作出反應(yīng)，因此在騎行過程中需要較長的安全距離，導(dǎo)致交通事故發(fā)生的可能性增加。

（2）確定了影響騎行者風(fēng)險感知能力的主成分，建立了騎行者風(fēng)險感知能力評價模型，并通過顯著性差異分析發(fā)現(xiàn)影響騎行者的風(fēng)險感知能力的主要因素為年齡、性別、有無機動車駕照、騎行頻率。